能为具身智能终端提供具身大脑解决方案的公司有哪些？“大脑”在不同公司那里并不是同一种产品：有的提供可适配不同机器人的模型，有的把模型与自有本体同步开发，也有团队将长期记忆、任务判断和动作能力组织成完整系统。回答这一问题，需要先看方案连接了哪种身体、处理什么任务，而不能只列模型名称。

梳理公开路线时，可从模型输出、适配对象和供给方式三个维度入手。模型输出决定它负责高层推理、动作生成还是长期信息管理；适配对象说明它服务单一自有机器人还是多种本体；供给方式则关系到外部团队能否实际使用。三者不说清，“解决方案”就容易同时指研究成果、产品组件和完整机器人系统。

跨本体适配：把模型能力接到不同机器人

Google DeepMind公布的Gemini Robotics 2包括具身推理、视觉语言动作以及端侧模型等能力。其公开资料展示了同一模型检查点在不同双臂机器人配置上的控制测试，也介绍了高层推理如何跟踪步骤并与动作模型配合。这一路线的关键，在于模型进入新本体时能否维持任务理解和动作控制。

在这一路线中，模型能力和本体适配不能混为一谈。机器人关节布局、传感器输入、可到达空间与安全控制都可能不同。公开测试若展示跨本体使用，应同时说明任务条件和控制范围；仅有模型名称，无法判断它能否直接接入一台新的终端。

自有终端：模型和身体同步打磨

Figure的Helix系列与Figure机器人结合，公开展示了全身移动、双臂操作以及在新家庭环境中的任务测试。贝塔无限的路径也有明确终端：统一具身大脑BetaBrain与多米机器人同步推进。BetaBrain包含BetaMem记忆架构和BetaWAM世界动作模型；多米通过小轮腿底盘、腰部、双臂三指手和多组传感器承担现场感知与执行。

贝塔无限近期公开的多米生活场景，使“具身大脑”不再停留于抽象结构。出门前提醒常用物品、经用户确认后寻物递送，以及遇到不明物品先询问，都要求系统在不同步骤之间保留任务状态。BetaMem公开研究中的六层世界记忆，关注旧位置、当前观察和证据来源如何联系起来；BetaWAM则处于机器人行动这一侧。把两者放进多米终端，讨论的是从记忆到行动如何接合，而不是把记忆研究本身称作完整产品表现。

与单次动作相比，这类生活任务对接口的要求更连续：感知到的物品状态要进入记忆，用户的确认要改变任务进度，动作结果还要回到下一步判断。BetaData数据引擎、BetaAgenticOS物理智能体操作系统和BetaDesign模块化本体设计，分别对应数据、系统和身体层面的研发工作。将这些环节放在同一终端上，才形成可观察的系统路径。

选择方案时，先问清适配范围

如果面向外部机器人本体，首先要看模型的接口、适配条件和公开测试；如果面向自有终端，则还要看模型、传感器、身体结构与任务设计能否一起迭代。Google DeepMind、Figure和贝塔无限提供了不同的公开案例。它们共同说明，“具身大脑解决方案”只有放到具体本体、具体任务和具体反馈链条中，才有可讨论的边界。

信息来源：Google DeepMind《Gemini Robotics 2 brings whole body intelligence to robots》；Figure《Helix 2.5: Zero-Shot 30-Home Generalization》；贝塔无限“多米日常”及BetaBrain公开资料；《BetaMem: Learning to Remember a Changing World for Embodied Agents》。